数据清洗（ETL）

数据清洗（ETL）

• • 概念

• 案例

• • 需求
• • 1.需求分析

• 2.文件

• 案例分析

• • 1.需求分析

• 2.输入数据

• 3.输出数据

• 4.规则设定

• 代码实现

• • 1. 编写LogMapper类

• 2. 编写LogDriver类

• 结果截图

概念

---

在运行核心业务MapReduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。

案例

---

需求

1.需求分析

去除日志中字段长度小于等于11的日志。

2.文件

案例分析

1.需求分析

按照需求设定规则，即可去除日志中字段长度小于等于11的日志。

2.输入数据

3.输出数据

输出文件中每行字段长度都大于11。

4.规则设定

在Map阶段对输入的数据根据规则进行过滤清洗

代码实现

1. 编写LogMapper类

package com.atguigu.mr.log;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

@Override

protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context)

throws IOException, InterruptedException {

//获取一行

String line = value.toString();

//解析数据

boolean result = parseLog(line,context);

if (!result) {

return;

}

//解析过了，写数据

context.write(value, NullWritable.get());

}

private boolean parseLog(String line, Context context) {

//切割shuju

String[] fields = line.split(" ");

if (fields.length > 11) {

context.getCounter(“map”,“ture”).increment(1);

return true;

}else {

context.getCounter(“map”, “false”).increment(1);

return false;

}

}

}

2. 编写LogDriver类

package
com.atguigu.mr.log;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class LogDriver {

public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException {

// 输入输出路径需要根据自己电脑上实际的输入输出路径设置

args = new String[] { “S:\centos学习笔记\input\webinput”, “S:\centos学习笔记\output\weboutput” };

// 1 获取job信息

Configuration conf = new Configuration();

Job job = Job.getInstance(conf);

// 2 加载jar包

job.setJarByClass(LogDriver.class);

// 3 关联map

job.setMapperClass(LogMapper.class);

// 4 设置最终输出类型

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(NullWritable.class);

// 设置reducetask个数为0

job.setNumReduceTasks(0);

// 5 设置输入和输出路径

FileInputFormat.setInputPaths(job, new Path(args[0]));

FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 6 提交

job.waitForCompletion(true);

}

}

结果截图

注：内容较多，只截取一部分

最后

小编这些年深知大多数初中级工程师，想要提升自己，往往是自己摸索成长，自己不成体系的自学效果低效漫长且无助。

因此我收集整理了一份《2024年Java全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你需要这些资料，⬅专栏获取
要提升自己，往往是自己摸索成长，自己不成体系的自学效果低效漫长且无助。**

因此我收集整理了一份《2024年Java全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

[外链图片转存中…(img-ujRbiNdp-1719690127161)]

[外链图片转存中…(img-J6gem0I1-1719690127162)]

[外链图片转存中…(img-UwZLpwkQ-1719690127162)]

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你需要这些资料，⬅专栏获取